1. 程式人生 > >詳細探究Spark的shuffle實現

詳細探究Spark的shuffle實現

exec put 結果 很大的 _id socket rac cal 用戶

Background

在MapReduce框架中,shuffle是連接Map和Reduce之間的橋梁,Map的輸出要用到Reduce中必須經過shuffle這個環節,shuffle的性能高低直接影響了整個程序的性能和吞吐量。Spark作為MapReduce框架的一種實現,自然也實現了shuffle的邏輯,本文就深入研究Spark的shuffle是如何實現的,有什麽優缺點,與Hadoop MapReduce的shuffle有什麽不同。

Shuffle

Shuffle是MapReduce框架中的一個特定的phase,介於Map phase和Reduce phase之間,當Map的輸出結果要被Reduce使用時,輸出結果需要按key哈希,並且分發到每一個Reducer上去,這個過程就是shuffle。由於shuffle涉及到了磁盤的讀寫和網絡的傳輸,因此shuffle性能的高低直接影響到了整個程序的運行效率。

下面這幅圖清晰地描述了MapReduce算法的整個流程,其中shuffle phase是介於Map phase和Reduce phase之間。

技術分享

概念上shuffle就是一個溝通數據連接的橋梁,那麽實際上shuffle這一部分是如何實現的的呢,下面我們就以Spark為例講一下shuffle在Spark中的實現。

Spark Shuffle進化史

先以圖為例簡單描述一下Spark中shuffle的整一個流程:

技術分享

  • 首先每一個Mapper會根據Reducer的數量創建出相應的bucket,bucket的數量是M×RM×R,其中MM是Map的個數,RR是Reduce的個數。
  • 其次Mapper產生的結果會根據設置的partition算法填充到每個bucket中去。這裏的partition算法是可以自定義的,當然默認的算法是根據key哈希到不同的bucket中去。
  • 當Reducer啟動時,它會根據自己task的id和所依賴的Mapper的id從遠端或是本地的block manager中取得相應的bucket作為Reducer的輸入進行處理。

這裏的bucket是一個抽象概念,在實現中每個bucket可以對應一個文件,可以對應文件的一部分或是其他等。

接下來我們分別從shuffle writeshuffle fetch這兩塊來講述一下Spark的shuffle進化史。

Shuffle Write

在Spark 0.6和0.7的版本中,對於shuffle數據的存儲是以文件的方式存儲在block manager中,與rdd.persist(StorageLevel.DISk_ONLY)

采取相同的策略,可以參看:

  1. override def run(attemptId: Long): MapStatus = {
  2. val numOutputSplits = dep.partitioner.numPartitions
  3. ...
  4. // Partition the map output.
  5. val buckets = Array.fill(numOutputSplits)(new ArrayBuffer[(Any, Any)])
  6. for (elem <- rdd.iterator(split, taskContext)) {
  7. val pair = elem.asInstanceOf[(Any, Any)]
  8. val bucketId = dep.partitioner.getPartition(pair._1)
  9. buckets(bucketId) += pair
  10. }
  11. ...
  12. val blockManager = SparkEnv.get.blockManager
  13. for (i <- 0 until numOutputSplits) {
  14. val blockId = "shuffle_" + dep.shuffleId + "_" + partition + "_" + i
  15. // Get a Scala iterator from Java map
  16. val iter: Iterator[(Any, Any)] = buckets(i).iterator
  17. val size = blockManager.put(blockId, iter, StorageLevel.DISK_ONLY, false)
  18. totalBytes += size
  19. }
  20. ...
  21. }

我已經將一些幹擾代碼刪去。可以看到Spark在每一個Mapper中為每個Reducer創建一個bucket,並將RDD計算結果放進bucket中。需要註意的是每個bucket是一個ArrayBuffer,也就是說Map的輸出結果是會先存儲在內存。

接著Spark會將ArrayBuffer中的Map輸出結果寫入block manager所管理的磁盤中,這裏文件的命名方式為:shuffle_ + shuffle_id + "_" + map partition id + "_" + shuffle partition id

早期的shuffle write有兩個比較大的問題:

  1. Map的輸出必須先全部存儲到內存中,然後寫入磁盤。這對內存是一個非常大的開銷,當內存不足以存儲所有的Map output時就會出現OOM。
  2. 每一個Mapper都會產生Reducer number個shuffle文件,如果Mapper個數是1k,Reducer個數也是1k,那麽就會產生1M個shuffle文件,這對於文件系統是一個非常大的負擔。同時在shuffle數據量不大而shuffle文件又非常多的情況下,隨機寫也會嚴重降低IO的性能。

在Spark 0.8版本中,shuffle write采用了與RDD block write不同的方式,同時也為shuffle write單獨創建了ShuffleBlockManager,部分解決了0.6和0.7版本中遇到的問題。

首先我們來看一下Spark 0.8的具體實現:

  1. override def run(attemptId: Long): MapStatus = {
  2. ...
  3. val blockManager = SparkEnv.get.blockManager
  4. var shuffle: ShuffleBlocks = null
  5. var buckets: ShuffleWriterGroup = null
  6. try {
  7. // Obtain all the block writers for shuffle blocks.
  8. val ser = SparkEnv.get.serializerManager.get(dep.serializerClass)
  9. shuffle = blockManager.shuffleBlockManager.forShuffle(dep.shuffleId, numOutputSplits, ser)
  10. buckets = shuffle.acquireWriters(partition)
  11. // Write the map output to its associated buckets.
  12. for (elem <- rdd.iterator(split, taskContext)) {
  13. val pair = elem.asInstanceOf[Product2[Any, Any]]
  14. val bucketId = dep.partitioner.getPartition(pair._1)
  15. buckets.writers(bucketId).write(pair)
  16. }
  17. // Commit the writes. Get the size of each bucket block (total block size).
  18. var totalBytes = 0L
  19. val compressedSizes: Array[Byte] = buckets.writers.map { writer: BlockObjectWriter =>
  20. writer.commit()
  21. writer.close()
  22. val size = writer.size()
  23. totalBytes += size
  24. MapOutputTracker.compressSize(size)
  25. }
  26. ...
  27. } catch { case e: Exception =>
  28. // If there is an exception from running the task, revert the partial writes
  29. // and throw the exception upstream to Spark.
  30. if (buckets != null) {
  31. buckets.writers.foreach(_.revertPartialWrites())
  32. }
  33. throw e
  34. } finally {
  35. // Release the writers back to the shuffle block manager.
  36. if (shuffle != null && buckets != null) {
  37. shuffle.releaseWriters(buckets)
  38. }
  39. // Execute the callbacks on task completion.
  40. taskContext.executeOnCompleteCallbacks()
  41. }
  42. }
  43. }

在這個版本中為shuffle write添加了一個新的類ShuffleBlockManager,由ShuffleBlockManager來分配和管理bucket。同時ShuffleBlockManager為每一個bucket分配一個DiskObjectWriter,每個write handler擁有默認100KB的緩存,使用這個write handler將Map output寫入文件中。可以看到現在的寫入方式變為buckets.writers(bucketId).write(pair),也就是說Map output的key-value pair是逐個寫入到磁盤而不是預先把所有數據存儲在內存中在整體flush到磁盤中去。

ShuffleBlockManager的代碼如下所示:

  1. private[spark]
  2. class ShuffleBlockManager(blockManager: BlockManager) {
  3. def forShuffle(shuffleId: Int, numBuckets: Int, serializer: Serializer): ShuffleBlocks = {
  4. new ShuffleBlocks {
  5. // Get a group of writers for a map task.
  6. override def acquireWriters(mapId: Int): ShuffleWriterGroup = {
  7. val bufferSize = System.getProperty("spark.shuffle.file.buffer.kb", "100").toInt * 1024
  8. val writers = Array.tabulate[BlockObjectWriter](numBuckets) { bucketId =>
  9. val blockId = ShuffleBlockManager.blockId(shuffleId, bucketId, mapId)
  10. blockManager.getDiskBlockWriter(blockId, serializer, bufferSize)
  11. }
  12. new ShuffleWriterGroup(mapId, writers)
  13. }
  14. override def releaseWriters(group: ShuffleWriterGroup) = {
  15. // Nothing really to release here.
  16. }
  17. }
  18. }
  19. }

Spark 0.8顯著減少了shuffle的內存壓力,現在Map output不需要先全部存儲在內存中,再flush到硬盤,而是record-by-record寫入到磁盤中。同時對於shuffle文件的管理也獨立出新的ShuffleBlockManager進行管理,而不是與rdd cache文件在一起了。

但是這一版Spark 0.8的shuffle write仍然有兩個大的問題沒有解決:

  • 首先依舊是shuffle文件過多的問題,shuffle文件過多一是會造成文件系統的壓力過大,二是會降低IO的吞吐量。
  • 其次雖然Map output數據不再需要預先在內存中evaluate顯著減少了內存壓力,但是新引入的DiskObjectWriter所帶來的buffer開銷也是一個不容小視的內存開銷。假定我們有1k個Mapper和1k個Reducer,那麽就會有1M個bucket,於此同時就會有1M個write handler,而每一個write handler默認需要100KB內存,那麽總共需要100GB的內存。這樣的話僅僅是buffer就需要這麽多的內存,內存的開銷是驚人的。當然實際情況下這1k個Mapper是分時運行的話,所需的內存就只有cores * reducer numbers * 100KB大小了。但是reducer數量很多的話,這個buffer的內存開銷也是蠻厲害的。

為了解決shuffle文件過多的情況,Spark 0.8.1引入了新的shuffle consolidation,以期顯著減少shuffle文件的數量。

首先我們以圖例來介紹一下shuffle consolidation的原理。

技術分享

假定該job有4個Mapper和4個Reducer,有2個core,也就是能並行運行兩個task。我們可以算出Spark的shuffle write共需要16個bucket,也就有了16個write handler。在之前的Spark版本中,每一個bucket對應的是一個文件,因此在這裏會產生16個shuffle文件。

而在shuffle consolidation中每一個bucket並非對應一個文件,而是對應文件中的一個segment,同時shuffle consolidation所產生的shuffle文件數量與Spark core的個數也有關系。在上面的圖例中,job的4個Mapper分為兩批運行,在第一批2個Mapper運行時會申請8個bucket,產生8個shuffle文件;而在第二批Mapper運行時,申請的8個bucket並不會再產生8個新的文件,而是追加寫到之前的8個文件後面,這樣一共就只有8個shuffle文件,而在文件內部這有16個不同的segment。因此從理論上講shuffle consolidation所產生的shuffle文件數量為C×RC×R,其中CC是Spark集群的core number,RR是Reducer的個數。

需要註意的是當 M=CM=C時shuffle consolidation所產生的文件數和之前的實現是一樣的。

Shuffle consolidation顯著減少了shuffle文件的數量,解決了之前版本一個比較嚴重的問題,但是writer handler的buffer開銷過大依然沒有減少,若要減少writer handler的buffer開銷,我們只能減少Reducer的數量,但是這又會引入新的問題,下文將會有詳細介紹。

講完了shuffle write的進化史,接下來要講一下shuffle fetch了,同時還要講一下Spark的aggregator,這一塊對於Spark實際應用的性能至關重要。

Shuffle Fetch and Aggregator

Shuffle write寫出去的數據要被Reducer使用,就需要shuffle fetcher將所需的數據fetch過來,這裏的fetch包括本地和遠端,因為shuffle數據有可能一部分是存儲在本地的。Spark對shuffle fetcher實現了兩套不同的框架:NIO通過socket連接去fetch數據;OIO通過netty server去fetch數據。分別對應的類是BasicBlockFetcherIteratorNettyBlockFetcherIterator

在Spark 0.7和更早的版本中,只支持BasicBlockFetcherIterator,而BasicBlockFetcherIterator在shuffle數據量比較大的情況下performance始終不是很好,無法充分利用網絡帶寬,為了解決這個問題,添加了新的shuffle fetcher來試圖取得更好的性能。對於早期shuffle性能的評測可以參看Spark usergroup。當然現在BasicBlockFetcherIterator的性能也已經好了很多,使用的時候可以對這兩種實現都進行測試比較。

接下來說一下aggregator。我們都知道在hadoop MapReduce的shuffle過程中,shuffle fetch過來的數據會進行merge sort,使得相同key下的不同value按序歸並到一起供Reducer使用,這個過程可以參看下圖:

技術分享

所有的merge sort都是在磁盤上進行的,有效地控制了內存的使用,但是代價是更多的磁盤IO。

那麽Spark是否也有merge sort呢,還是以別的方式實現,下面我們就細細說明。

首先雖然Spark屬於MapReduce體系,但是對傳統的MapReduce算法進行了一定的改變。Spark假定在大多數用戶的case中,shuffle數據的sort不是必須的,比如word count,強制地進行排序只會使性能變差,因此Spark並不在Reducer端做merge sort。既然沒有merge sort那Spark是如何進行reduce的呢?這就要說到aggregator了。

aggregator本質上是一個hashmap,它是以map output的key為key,以任意所要combine的類型為value的hashmap。當我們在做word count reduce計算count值的時候,它會將shuffle fetch到的每一個key-value pair更新或是插入到hashmap中(若在hashmap中沒有查找到,則插入其中;若查找到則更新value值)。這樣就不需要預先把所有的key-value進行merge sort,而是來一個處理一個,省下了外部排序這一步驟。但同時需要註意的是reducer的內存必須足以存放這個partition的所有key和count值,因此對內存有一定的要求。

在上面word count的例子中,因為value會不斷地更新,而不需要將其全部記錄在內存中,因此內存的使用還是比較少的。考慮一下如果是group by key這樣的操作,Reducer需要得到key對應的所有value。在Hadoop MapReduce中,由於有了merge sort,因此給予Reducer的數據已經是group by key了,而Spark沒有這一步,因此需要將key和對應的value全部存放在hashmap中,並將value合並成一個array。可以想象為了能夠存放所有數據,用戶必須確保每一個partition足夠小到內存能夠容納,這對於內存是一個非常嚴峻的考驗。因此Spark文檔中建議用戶涉及到這類操作的時候盡量增加partition,也就是增加Mapper和Reducer的數量。

增加Mapper和Reducer的數量固然可以減小partition的大小,使得內存可以容納這個partition。但是我們在shuffle write中提到,bucket和對應於bucket的write handler是由Mapper和Reducer的數量決定的,task越多,bucket就會增加的更多,由此帶來write handler所需的buffer也會更多。在一方面我們為了減少內存的使用采取了增加task數量的策略,另一方面task數量增多又會帶來buffer開銷更大的問題,因此陷入了內存使用的兩難境地。

為了減少內存的使用,只能將aggregator的操作從內存移到磁盤上進行,Spark社區也意識到了Spark在處理數據規模遠遠大於內存大小時所帶來的問題。因此PR303提供了外部排序的實現方案,相信在Spark 0.9 release的時候,這個patch應該能merge進去,到時候內存的使用量可以顯著地減少。

End

本文詳細地介紹了Spark的shuffle實現是如何進化的,以及遇到問題解決問題的過程。shuffle作為Spark程序中很重要的一個環節,直接影響了Spark程序的性能,現如今的Spark版本雖然shuffle實現還存在著種種問題,但是相比於早期版本,已經有了很大的進步。開源代碼就是如此不停地叠代推進,隨著Spark的普及程度越來越高,貢獻的人越來越多,相信後續的版本會有更大的提升。

詳細探究Spark的shuffle實現